基于计算机视觉的单目标跟踪有助于对目标信息进行搜集、分析和利用。而基于孪生网络的深度学习算法是实现单目标跟踪的重要手段。近年来,许多性能优秀的孪生神经网络结构先后被提出,单目标跟踪性能也不断提高,但当出现背景干扰、目标快速运动或者目标受到较为剧烈的外观变化时,因特征提取能力不足和模板与目标差异较大,导致目标跟踪面临挑战。因此,论文以SwinTrack模型为基础,研究特征提取方法和在线更新策略,构建时空特征相融合的单目标跟踪模型,以提升其跟踪精度,具有重要的理论和实际意义。本文的主要工作和贡献如下:（1）针对模型深浅层特征融合不充分的问题,从特征金字塔结构和感受野两个角度出发提出了多级特征融合策略。额外设计了一个自上而下的通路,将模型的高层特征和浅层特征相融合,从而补充了浅层特征层丢失的细节信息;设计FFD模块,通过引入多种卷积形式,有效地增大了特征的感受野,并对融合后的特征语义信息进行增强和过滤。（2）针对目标形状发生变化导致和模板不一致带来的跟踪失败的问题,提出了适用于SwinTrack的动态模板更新算法。基于反馈的思想,设计动态模板分支,引入时间信息并融合多个特征,从而充分利用了时间信息并提高了目标特征的表达能力和减少误差信息在原始模板上的积累。（3）针对现有的相对位置编码不能适用三种特征级联的问题,提出了三维特征级联的相对位置编码Tri-TUPE。基于具有不受约束的位置编码（TUPE）,在每一维额外嵌入位置编码矩阵,从而显式地对特征位置进行建模并提高了模型的表达能力。（4）针对目标受到干扰时,其分类置信度下降的问题,基于模型状态分类思想,设计了候选框二次匹配方法。融合运动信息、尺度信息以及模型的分类得分,综合评判得到目标框,从而使跟踪更加准确。通过上述提出的改进策略,得到了适用于单目标跟踪的改进SwinTrack算法FFU-SwinTrack。在OTB100数据集上进行了多组消融实验,实验结果表明,上述策略都对基础模型的性能有不同程度的提升。同时与Siam CAR、Siam RCNN、Tr Siam等多个单目标跟踪器进行了对比,对比结果进一步表明本文提出的模型具有更好的成功率和精准度。